因子模型为何未能完全解释巴菲特的历史收益

Hou 等人的历史样本显示，q 因子模型没有完全解释伯克希尔的超额收益。这个结果讨论的是模型解释力，无法直接评价所有量化基金的实际表现。

资料时间与适用范围

本文以 2024 年正式发表的《The Economics of Security Analysis》为主，伯克希尔检验覆盖 1968 年 2 月至 2020 年 12 月。2017 年工作论文用于解释理论来由。到 2026 年 10 月，模型留下的历史 alpha 仍值得讨论，但本文没有延长样本，不能据此判断当前量化基金的复制能力，也不能把剩余收益直接归因于某种未测量的能力。

1. 量化研究已经进行了系统模仿

Hou、Mo、Xue、Zhang 的论文指出，只挑低估值股票的量化策略，不能完整代表巴菲特的投资方法。

研究者从巴菲特及其老师格雷厄姆、多德所使用的证券分析框架出发，尝试把这套方法表达为更正式的资产定价理论。

2. 研究者的理论基础

他们背后的理论叫 investment CAPM，也就是 investment-based asset pricing。

这个名字听起来复杂，直觉却很简单，股票价格最终要和公司的投资决策、投资回报以及市场要求的回报率联系起来。

这套框架把股票分析与企业经营联系起来。

作者把盈利能力与估值联系起来分析预期收益。下面几项概括了这种关系。

盈利能力强的公司，通常更值钱。
但如果这样的公司股价还不高，就说明它便宜。
便宜的好公司，往往对应更高的预期收益。

第三点正是论文试图形式化的命题。在横截面上，高预期收益的股票往往是质量较好、估值不高的股票。这套逻辑也不要求先假设市场无效，研究者认为，它可以和有效市场框架并存。

模型允许基本面特征与预期回报存在联系。这种联系本身不要求先认定市场无效，模型也没有保证认真分析必然获得超额收益。

3. 历史模型留下了什么问题

他们分析了半个多世纪的美国股票数据和几千只主动基金的历史业绩，发现自己做出来的模型，依然没有办法完全解释巴菲特的超额收益。

具体来看，论文第 4.2 节、表 11显示，从 1968 年 2 月到 2020 年 12 月，伯克希尔的月度超额收益平均是 1.41%，q-factor 模型调整后的月度 alpha 为 0.59%。

另一个出人意料的结果是，研究者原本认为巴菲特会重视、并纳入 q-factor 模型的 expected growth，在伯克希尔样本中的载荷方向却相反。不过，这个 q5 预期增长载荷为 -0.23，t 值为 -1.30，统计上并不显著。

论文讨论了会计计量的局限，例如研发、广告和员工培训等支出如何影响盈利能力与投资指标。由此延伸，本文认为，管理层质量、长期资本配置与组织能力等因素，也可能影响模型与巴菲特判断的差距。这部分解释不是论文直接检验的结论。

q / q5 模型解释了伯克希尔的一部分历史收益。未解释的部分仍是模型残差，要把它归因于判断力或某种特定能力，还需要进一步证据。

4. 参考资料

Kewei Hou、Haitao Mo、Chen Xue、Lu Zhang（2024），The Economics of Security Analysis，Management Science 70(1)，164至186。作者提供的正式版 PDF。第 4.2 节、表 11 对应 1968 年 2 月至 2020 年 12 月样本、月均超额收益 1.41% 和 q 因子 alpha 0.59%。q5 的预期增长载荷为 -0.23，t 值 -1.30，不显著。第 5 节讨论会计度量局限，包括研发、广告和员工培训等费用化投资。管理层质量和组织能力的具体例子是本文的延伸解释，不是表 11 直接检验的变量。
Kewei Hou、Haitao Mo、Chen Xue、Lu Zhang（2017），The Economics of Value Investing，NBER Working Paper 23563，2017 年 6 月。对应投资 CAPM 与价值投资可兼容有效市场的理论背景。这是早期工作论文，不能用于支持结束于 2020 年的实证结果。